使difflib的SequenceMatcher忽略“垃圾”字符

Question

我有很多字符串，我想匹配相似性（每个字符串平均为30个字符）。我发现difflib'sSequenceMatcher非常适合这个任务，因为它很简单，而且结果很好。但是如果我像这样比较hellboy和{}

>>> sm=SequenceMatcher(lambda x:x=='-','hellboy','hell-boy')
>>> sm.ratio()
0: 0.93333333333333335

我希望这样的词100%匹配，即ratio of 1.0。我知道上面函数中指定的垃圾字符不是用来比较的，而是用来查找最长的连续匹配子序列。有什么方法可以让SequenceMatcher忽略一些“垃圾”字符，以便进行比较？在

Answer 1

如果您希望按照我在评论中建议的那样做（删除垃圾字符），最快的方法是使用^{}。在

例如：

to_compare = to_compare.translate(None, {"-"})

如here所示，这明显比正则表达式快（3倍）（我觉得读起来更好）。在

请注意，在python3.x下，或者如果您在python2.x下使用Unicode，这将不起作用，因为不接受delchars参数。在这种情况下，您只需映射到None。E、 g组：

^{pr2}$

你也可以用一个小函数来保存一些输入，如果你想删除很多字符，只需设置一个集合并通过：

def to_translation_map(iterable):
    return {key: None for key in iterable}
    #return dict((key, None) for key in iterable) #For old versions of Python without dict comps.

Answer 2

如果您要创建一个函数来删除所有垃圾字符，则可以使用re：

string=re.sub('-|_|\*','',string)

对于正则表达式'-|_|\*'只需在所有垃圾字符之间加一个|，如果它是一个特殊的re字符，则在它前面加一个\（如*和{}）